光伏发电具有绿色清洁、规模灵活等优点,得到了广泛应用和发展。但由于光伏发电系统受环境因素影响明显,存在不确定性、波动性、间歇性等特点,不利于电网的安全调度和能量管理,增加了电网的运行风险。而光伏发电系统受自然环境因素影响造成的波动性越大,对其发电功率进行确定性预测的预测精度就会越低,因此,对光伏发电的短期功率进行精确的单点预测与概率分布预测,既可以保证功率预测的精度,又可以更加全面的反映光伏发电信息,对于电网的安全调度、稳定运行和能量管理具有重要的意义。本文立足于光伏发电系统的发展现状,对光伏发电系统的短期发电功率预测问题展开了研究。文章首先对不同的天气因素,包括光照强度、温度和湿度,与光伏发电系统短期发电功率之间的关联性进行了分析,确定影响光伏发电短期功率的主要环境因素指标,根据天气因素指标确定预测日的相似日,以天气因素数据与相似日的功率数据为模型的输入,建立基于改进支持向量机回归(SVM)的预测模型,对光伏发电系统的短期发电功率进行单点预测,以及给定置信水平条件下的区间上下限值预测,预测模型具有较高的预测精度;建立基于遗传优化受限玻尔兹曼机方法(GA-RBM)的概率预测模型,对光伏发电系统的短期发电功率进行单点值预测及概率分布的预测,最终,确定其在给定置信水平条件下的置信区间;根据深度学习理论,建立基于受限玻尔兹曼机的深度信念网络(DBN)预测模型,实现光伏发电系统的单点值预测和概率分布预测,确定更高精度的置信区间。仿真算例表明了预测模型的可靠性和精确性。